[发明专利]一种面向能耗数据并发采集的三阶段优化方法

摘要

一种面向能耗数据并发采集的三阶段优化方法，基于大型能源传感网络中，包括若干个能源节点和能源管理网，所述能源管理网包括能源主控机、数据采集终端和时间处理系统，由数据采集终端将数据采集任务DCJ细分为多个子任务，并在时间处理系统建立时间Petri网，由能源主控机基于贪婪算法和遗传算法提出三阶段优化算法3SOA，来求解DCJ的调度问题；所述3SOA包括第一阶段优化、第二阶段优化和第三阶段优化；本发明通过利用所述3SOA来求解数据采集任务的调度问题，获得DCJ的最小完成时间，优化DCJ的调度的方案，所述3SOA能够显著降低采集完成时间，提升并发效率；并且通过应用表明，所述3SOA能使数据采集的周期从9.8秒降至6秒，并发效率提升了34.45％。

主权项

一种面向能耗数据并发采集的三阶段优化方法，应用于大型能源传感网络中，所述大型能源传感网络包括若干个能源节点和能源管理网，所述能源管理网包括能源主控机、数据采集终端和时间处理系统，其特征在于：由数据采集终端将数据采集任务DCJ进一步细分为多个独立的子任务，并在时间处理系统建立一个支持DCJ并发仿真的时间Petri网；在所述时间Petri网模拟的基础上，以DCJ的最小完成时间为目标，由能源主控机基于贪婪算法和遗传算法提出一种数据采集任务在处理器之间分配的三阶段优化算法3SOA，来求解DCJ的调度问题；所述三阶段优化算法3SOA包括以下三个阶段：(1)第一阶段优化：采用贪婪算法将DCJ被RS485总线RSB分组后分配给处理器，使处理器负载以RSB为单位分配平衡，获得方案Ω1；RSB为RS485总线；(2)第二阶段优化：根据Ω1，采用贪婪算法在处理器之间调整DCJ从高载荷的处理器转向低载荷的处理器，使处理器负载以DCJ为单位分配平衡，获得方案Ω2；(3)第三阶段优化：根据Ω2，采用遗传算法优化调整每个处理器上的DCJ的排列顺序，使若干个会话的等待时间最小化，获得方案Ω3；对所述时间Petri网进行建模，首先建立基本网，再合并冗长的节点，包括如下步骤：A建立基本网：(1)为每一个s∈S创建一个RSB库所；S是RSB的集合，s是集合S的元素；(2)对一个DCJ分解的三个子类DCJ，j＝<ja,jb,jc>(j∈J)分别创建三个变迁，λa，λb，λc是一个DCJ的三个子类对应变迁的处理时间；J是DCJ的集合，j是集合J的元素；ja表示装配指令，jb表示通讯会话，jc表示分辨率响应；(3)为每个s∈S在s之间增加一个输入弧和输出弧，对于j∈J(s)每一个弧的权重为1；J(s)表示在RSB上的DCJ的集合，(4)对每一个c∈C，C是处理器的集合，c是集合C的元素，为每一个处理器创建一个处理库所，为每个j∈J(c)的DCJ子模块创建处理库所，按照顺序为处理库所和变迁增加弧，每个弧的权重为1；J(c)表示处理器上的DCJ的顺序；(5)若P是RSB库所或者每个处理器的库所，那么M0(p)＝1,elseM0(p)＝0，即所有的RSB和处理器在开始时均为闲置状态；B合并冗长的节点：(1)对于处理器c，若ji+1和ji在顺序上相邻，那么jci和jai+1两种变迁可以合并，那么jci和jai+1之间的库所取消，新变迁的时间函数是λci+λai+1；(2)若被同一处理器处理的连续DCJ之间在RSB上不存在竞争资源的关系，则相应的变迁也可以合并成一个新的变迁，合并后减少中间的库所，新变迁的时间函数为其处理时间的总和；后续的DCJ处理器分配算法将确定需要被合并的DCJ；所述数据采集任务DCJ调度的完成时间π，在所述时间Petri网模拟的基础上，采用并行仿真算法进行模拟，包括如下步骤：(1)给定一个通过J→C映射Ω，构建对应的时间Petri网模型；(2)参数的定义和初始化，初始值为E＝φ，M＝M0，x＝0；其中E为根据完成时间排列的使能变迁序列，M为当前标识，M0是初始标记,π(t)为变迁t的完成时间；(3)对于每个在M0标识状态下的使能变迁，令集合π(t)＝λ(t)，将t加入到E中；(4)如E不为空，则执行循环t＝dequeue(E)，x＝π(t)，M＝M‑I(t)+O(t)；(5)输出量x为DCJ调度问题π(Ω)的解；所述第一阶段优化采用贪婪算法将DCJ由RS485总线RSB分组后分配给处理器，包括如下步骤：(1)输入一个ESN；ESN为能源传感网；(2)参数定义和初始化，setλ(c)＝0；C是处理器的集合；λ(c)表示处理器c的负载；(3)根据λ(s)排序的RSB的集合S；(4)对每个s∈S执行循环；(4.1)寻找处理器c的λ(c)的最大值；(4.2)给J(s)分配c；(4.3)λ(c)＝λ(c)+λ(s)；λ(s)表示RSB s的处理时间；(5)循环结束，输出Ω1；所述第二阶段优化采用贪婪算法在处理器之间调整DCJ从高载荷的处理器转向低载荷的处理器，包括如下步骤：(1)输入ESN和Ω1；(2)对每个J(s)(s∈S)，其子模块DCJ根据λb排序；λb为子任务jb的处理时间；(3)获取最高负载ch和最低负载cl；(4)获取J(ch)的头元素，jx＝getqueue(J(ch))；(5)重置移动标志bm＝false；(6)如果λ(ch)‑λ(jx)>λ(J)/l且λ(cl)+λ(jx)<λ(J)/l(6.1)将jx从ch移动到cl，并设定bm＝true；(6.2)更新处理器负载，λ(ch)＝λ(ch)‑λ(jx)，λ(cl)＝λ(cl)+λ(jx)；(6.3)返回(5)；λ(jx)为DCJjx的处理时间；λ(J)表示同一个处理器上DCJ的完成时间；(7)如果bm为真，返回(5)；(8)输出结果Ω2，结束；所述第三阶段优化采用遗传算法优化调整每个处理器上的DCJ的排列顺序，遵从遗传算法的基本结构，进行编码和解码、亲和度评价、初始化种群、筛选、交叉选择和突变来获取最优的方案Ω3；所述编码是将DCJ由处理器按照顺序进行分组编码，方程式表示为：Zi＝＜ki‑1+1,ki‑1+2,...,ki‑1+ki＞，其中，ki为第i个处理器ci(i＝0,1,2,…,l,k0＝1)上DCJ的编号；l个子序列组成的自然数序列作为染色体，即初始染色体由方程式表示为：Z＝＜Z1,Z2,...,Zi,...,Zl＞；一种新的染色体可以通过重构Zi产生；所述解码是映射ki到相应的DCJ；所述亲和度评价是将一个Z染色体通过解码转换成一个候选解Ω，π(Ω)通过所述并行仿真算法进行评价；π(Ω)的相反数被视为Z的亲和力，其值越大则解决方案更优；所述初始化种群是将DCJ的优先顺序由处理器随机生成，将Zi随机置换并转换成Z'i，Z'i为Zi重新排列后的子序列，按照从ki‑1+1到ki‑1+ki的整数的随机排列形成Z'＝<Z'1,Z'2,…,Z'i,…,Z'l>，l为子序列个数，获得新的染色体Z'；所述交叉选择是从父种群中随机选择两个不同的个体染色体，再通过父种群个体交叉创建两个不同的子染色体，其交叉位点只定位在一个子序列的开始。